Quando o “One Big Beautiful Bill” (OBBB) foi apresentado como um enorme documento não estruturado de 900 páginas, a equipe TurboTax da Intuit enfrentou um desafio monumental. Eles não tinham formulários padronizados a seguir, nenhuma instrução oficial do IRS e um prazo rigoroso a cumprir. Tradicionalmente, a implementação de uma legislação tão complexa levaria meses de trabalho manual.
Em vez disso, a Intuit desenvolveu um fluxo de trabalho especializado baseado em IA que comprimiu meses de trabalho em poucos dias. Esta não foi apenas uma vitória para a preparação de impostos; criou um modelo para qualquer setor – como saúde, direito ou finanças – que deve traduzir regulamentações complexas em software preciso e de alto risco.
O desafio: complexidade sem roteiro
Para compreender a escala desta conquista, é necessário observar como a Intuit lidou anteriormente com grandes mudanças legislativas. Durante a Lei de Reduções de Impostos e Empregos (TCJA) de 2017, a equipe trabalhou sem IA, decodificando manualmente seções jurídicas e rastreando como elas se interconectavam.
A OBBB apresentou obstáculos ainda maiores:
– Caos Estrutural: Chegou como um documento não estruturado e sem esquema fixo.
– Inconsistência Legislativa: As versões da Câmara e do Senado usaram linguagem diferente para descrever as mesmas disposições.
– O problema do “alvo móvel”: A equipe teve que começar a codificar antes mesmo de o IRS divulgar formulários ou instruções oficiais.
Em um setor regulamentado, há margem zero para erro. Um único erro no cálculo de impostos pode ter consequências jurídicas e financeiras significativas para milhões de utilizadores.
O fluxo de trabalho: do texto legal ao código funcional
A Intuit não simplesmente “pediu ao ChatGPT” para escrever seu código. Em vez disso, implementaram uma estratégia multifacetada que passou da análise geral para uma implementação altamente especializada.
1. Destilação Rápida de Documentos
A equipe usou Large Language Models (LLMs) de uso geral, como ChatGPT, para realizar o trabalho pesado da análise de documentos. Eles usaram esses modelos para:
– Resumir as versões da Câmara e do Senado.
– Reconcilie as diferenças entre os dois.
– Filtre o texto enorme para identificar apenas as disposições específicas que impactaram os clientes do TurboTax.
Essa fase transformou o que costumavam ser semanas de leitura manual em questão de horas.
2. Preenchendo a lacuna com IA específica de domínio
Os modelos gerais de IA atingiram um obstáculo quando se tratava da codificação real. O TurboTax não funciona em linguagens de programação padrão; ele depende de uma linguagem proprietária e específica de domínio mantida pela Intuit.
Para resolver isso, a equipe recorreu a Claude. Ao contrário dos modelos gerais, Claude foi utilizado para mapeamento de dependências profundas – identificando como as novas disposições legais interagiriam com décadas de códigos complexos existentes. Isso permitiu que os desenvolvedores ignorassem o que permanecia igual e se concentrassem exclusivamente no que estava mudando.
3. Automatizando a experiência do usuário e os testes
Para garantir que a velocidade não comprometesse a qualidade, a Intuit construiu duas ferramentas proprietárias críticas:
– UI gerada automaticamente: Uma ferramenta que gera automaticamente telas de produtos com base na nova lei, reduzindo a necessidade de design manual.
– Teste de Unidade Avançado: O teste tradicional informa apenas se um trecho de código “aprova” ou “falha”. A nova estrutura da Intuit identifica o segmento de código exato que causou a falha e explica o motivo, permitindo que os desenvolvedores corrijam erros instantaneamente dentro da estrutura.
Um modelo para indústrias regulamentadas
O sucesso deste projeto fornece uma estrutura de quatro partes para qualquer organização que trabalhe dentro de limites regulatórios estritos:
- Use IA geral para análise: Aproveite LLMs comerciais para analisar, resumir e filtrar grandes quantidades de dados não estruturados.
- Use ferramentas especializadas para implementação: Ao passar da “leitura” para a “construção”, faça a transição para ferramentas que entendam seu ambiente proprietário específico.
- Priorize testes inteligentes: Não crie apenas testes de “aprovação/reprovação”; construir uma infraestrutura de diagnóstico que explique por que ocorreu uma falha.
- Distribuir a fluência da IA: A IA não deve ser uma ferramenta reservada para engenheiros; ela deve ser integrada em todos os departamentos para garantir que toda a organização possa validar e usar a tecnologia de forma eficaz.
“Tudo se resume a ter conhecimento humano para poder validar e verificar praticamente qualquer coisa”, diz Sarah Aerni, vice-presidente de tecnologia da Intuit.
Conclusão
Ao combinar IA de uso geral para análise rápida com ferramentas proprietárias para codificação e testes especializados, a Intuit provou que a IA pode acelerar drasticamente os ciclos de desenvolvimento sem sacrificar a precisão absoluta exigida pelas indústrias regulamentadas.
